Mistral AI a présenté Large 4 le 5 octobre, quelques mois après avoir bouclé une levée de fonds de 3 milliards d’euros. Le modèle repose sur une architecture Mixture of Experts totalisant plus de 1 000 milliards de paramètres. En interne, l’équipe l’a surnommé « Le Chonk ». Pour l’entraîner, Mistral a mobilisé 4 000 GPU Nvidia Grace Blackwell pendant environ deux mois, sur des infrastructures situées en Europe.
Ce choix de localisation n’est pas cosmétique. Il répond à une demande explicite des clients institutionnels et des grandes entreprises, qui cherchent à maîtriser la chaîne de traitement de leurs données depuis l’infrastructure jusqu’au modèle. Dans un contexte où l’UE a enregistré en 2025 un excédent commercial de 32,4 milliards d’euros sur les produits de haute technologie selon Eurostat, Mistral se positionne comme un acteur industriel à part entière. Entraîner Large 4 en Europe, c’est aussi démontrer que le continent dispose désormais des capacités de calcul nécessaires pour rivaliser avec les fermes GPU américaines et chinoises, une preuve concrète qui accompagne les ambitions politiques de « gigafactory de l’IA » portées par plusieurs gouvernements européens.
Des benchmarks de cybersécurité au cœur de l’argumentaire produit
Large 4 n’est pas conçu pour les usages grand public. Mistral cible explicitement les workflows professionnels complexes : développement logiciel, cybersécurité, finance, droit, industrie et analyse d’images. Sur le benchmark Cybench, dédié à la sécurité informatique, le modèle obtient un score de 93 %. Il atteint également 82 % sur un test évaluant sa capacité à reproduire et corriger une vulnérabilité réelle, un indicateur particulièrement parlant pour les équipes de sécurité offensive.
Ces résultats prennent un relief supplémentaire au regard du contexte actuel. Selon le Microsoft Digital Defense Report 2026, publié début octobre, les déclenchements de ransomwares contre les entreprises ont progressé de 15,8 % sur un an, et la France se classe au 6e rang européen parmi les pays les plus touchés par des activités cyber malveillantes. Dans ce contexte, un modèle capable d’analyser des configurations, de détecter des vulnérabilités et de générer des recommandations de correction représente un outil potentiellement utile pour les RSSI et les équipes de pentest. Il ne s’agit pas de remplacer l’expertise humaine, mais d’accélérer certaines phases de travail et d’élargir la couverture des systèmes testés.
Ces benchmarks constituent aussi un argument commercial direct face aux concurrents. Mistral peut désormais aligner des métriques objectives face aux modèles open weight les plus performants du marché. Pour les directions achats des grandes entreprises ou des administrations, la disponibilité de ces scores simplifie les comparaisons lors des appels d’offres et réduit le poids des arbitrages purement subjectifs.
Une mise à disposition progressive qui révèle les contraintes du déploiement
La stratégie de lancement de Large 4 est révélatrice des réalités opérationnelles qui entourent les modèles de cette taille. Mistral ne publie pas immédiatement les poids complets. Le modèle est d’abord accessible via une version de prévisualisation sur l’API Mistral Studio, avant une ouverture plus large annoncée pour fin octobre. Ce calendrier échelonné permet à l’entreprise de gérer la montée en charge et d’affiner le modèle à partir des premiers retours clients.
Selon Le Monde Informatique, Mistral propose à ses clients deux grands modes de déploiement : faire tourner Large 4 sur leurs propres infrastructures, ou passer par l’API Mistral avec plusieurs options de localisation des données. C’est sur ce second point que la startup dispose d’un avantage structurel face aux modèles américains. La capacité à garantir que les données restent sur le sol européen répond aux contraintes du RGPD et aux exigences propres aux secteurs réglementés : banque, assurance, santé, défense. Pour des directions juridiques soumises à des obligations strictes de souveraineté des données, cette option n’est pas un avantage parmi d’autres, c’est une condition d’achat.
Ce que Large 4 change concrètement pour les entreprises
Au-delà des performances techniques, Large 4 modifie le rapport de force sur un segment du marché que les acteurs américains occupaient jusqu’ici quasiment sans concurrence sérieuse en matière de gouvernance des données. Un modèle multimodal capable de combiner raisonnement, utilisation d’outils, production de code et analyse d’images dans un même pipeline ouvre la voie à des agents autonomes plus complexes et à des automatisations de processus métiers qui n’étaient pas envisageables avec les versions précédentes de Mistral.
Pour les DSI, la question n’est plus de savoir si un tel modèle peut accomplir une tâche, mais comment l’intégrer dans l’architecture existante, à quel coût et avec quelle supervision. Un modèle de 1 000 milliards de paramètres exige des ressources de calcul importantes. Toutes les organisations n’auront pas intérêt à le déployer en local : l’API Mistral restera une voie privilégiée pour les entreprises de taille intermédiaire qui cherchent à accéder à la puissance du modèle sans investir dans l’infrastructure dédiée.
La publication complète des poids, prévue pour la fin du mois d’octobre, sera un moment décisif. Des tests indépendants viendront alors confirmer ou nuancer les scores annoncés par Mistral. La startup a construit sa réputation sur la transparence de ses modèles précédents ; la mise à disposition de Large 4 en accès ouvert permettra de mesurer si ces benchmarks résistent à un usage diversifié, et d’identifier précisément les secteurs où le modèle apporte la valeur ajoutée la plus nette par rapport aux alternatives disponibles.
